刘丽娟，窦佩佩，王慧

(石河子大学信息科学与技术学院，新疆石河子，832003)

0 引言

基于图像处理技术的果实识别是实现果实定位、自动化采摘和果树估产的基础。而自然环境中，果树场景多样性给果实识别带来了巨大挑战[1]，如复杂多变的背景、光照强度的变化、果实间的重叠与遮挡等。自然环境下采集到的果实图片受光照变化、背景复杂等影响，导致目标识别的有效性降低。国内外学者针对此热点问题进行了研究[2-6]。闫彬等[2]对猕猴桃的RGB图像采用K-means聚类算法和最大类间方差法相结合提取出猕猴桃的果萼。闫建伟等采用RGB色差分量法和YCbCr颜色空间模型对刺梨图像进行两次阈值分割，最终刺梨果实识别正确率均高于92%。除了传统的基于颜色空间的阈值分割方法，也有很多研究者采用机器学习算法实现果实目标识别[7-11]。马晓丹等[10]提出了一种将量子遗传算法的全局搜索能力和模糊推理神经网络的自适应性相结合的算法来识别苹果果实。赵德安等[11]提出了基于YOLOv3深度卷积神经网络的苹果定位方法。

重叠与遮挡的果实图像中要提取出单一目标，研究较多的方法是通过重叠边缘拟合或插值算法分割出单一目标，如曲率分析算法[12-14]、模板匹配法[3, 15-16]、分水岭算法[4]、霍夫变换法[17-19]等。但由于自然环境下的分割目标存在噪声干扰或者细小纹理，并且目标果实不是标准的圆形，这些问题单一目标分割多次，过分割是目标识别算法中经常遇到的并且需要克服的问题。……